申请/专利权人：舟山诚创电子科技有限责任公司

申请日：2019-04-23

公开（公告）日：2024-04-05

公开（公告）号：CN111833375B

主分类号：G06T7/246

分类号：G06T7/246;G06T7/277;G06T7/73

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2020.11.13#实质审查的生效;2020.10.27#公开

摘要：本发明涉及一种动物群体轨迹追踪的方法及其系统，所述方法包括以下步骤：S1：将动物群体饲养在适合动物群体生存、活动和社交的环境平台；S2：通过摄像头采集动物群体社交互动行为的监测视频；S3：基于深度学习的目标检测模型，得到视频中所有目标动物信息；S4：通过轨迹追踪，得到动物群体中单个个体的轨迹；S5：对轨迹进行滑动平均滤波处理；S6：生成动物群体中单个个体的轨迹，生成标注有动物群体身份标识的追踪视频。该方法对环境噪声的鲁棒性强，可应用于多动物群体的追踪，抗干扰能力强，能解决动物群体中的个体相互触碰，运动路径相互交叉等复杂的互动模式。

主权项：1.一种动物群体轨迹追踪方法，其特征在于包括以下步骤：S1：将动物群体饲养在适合动物群体生存、活动和社交的环境平台；S2：通过摄像头采集动物群体社交互动行为的监测视频；S3：基于深度学习的目标检测模型，得到视频中所有目标动物信息；所述步骤S3中，所述目标检测方法包括以下步骤：S3.1：提取监测视频中感兴趣区域，并删除无关区域；S3.2：对视频进行空间分辨率的变换；S3.3：对视频进行时间采样频率的变换；S3.4：基于深度目标学习的目标检测模型对视频中的每一帧图像进行目标检测，得到目标动物的包围框；所述步骤S3.4中，所述目标检测包括以下步骤：S3.4.1：训练样本视频：对训练视频采样并对每一帧图像中的目标动物进行矩形框标注，并生成大量训练样本图像；S3.4.2：对样本进行数据增广与整理；S3.4.3：得到训练的基于深度学习的目标检测模型，并输出目标动物的包围框，包括包围框位置信息和包围框大小信息；S3.4.4：对目标进行检测：输入目标检测视频；S3.4.5：读取目标检测视频中的每一帧图像；S3.4.6：加载步骤S3.4.3中训练后的基于深度学习的目标检测模型；S3.4.7：得到目标动物的矩形包围框；S4：通过轨迹追踪，得到动物群体中单个个体的轨迹；所述步骤S4中，轨迹追踪包括以下步骤：S4.1：对视频内动物群体中每个个体轨迹初始化处理，确认目标数量及位置；S4.2：提取当前帧图像中所有检测得到的目标动物及其位置；S4.3：提取下一帧图像中所有检测得到的目标动物及其位置；S4.4：确认视频中目标动物的数量，并通过二分图最大匹配算法对当前帧图像中所有目标动物和下一帧图像中检测得到的目标动物进行匹配，以使当前帧和下一帧图像中的目标动物的位置的距离最小、重叠度最大；S4.5：判断当前帧图像中所有的目标是否已得到匹配，如果否，则进入步骤S4.6，如果是，则进入步骤S4.7；S4.6：通过Kalman滤波方法预测当前帧图像中未匹配目标动物在下一帧图像中的位置，并进入步骤S4.7；S4.7：继续判断视频是否处理完成，如果未完成，则进入步骤S4.8，如果完成，则进入步骤S4.9；S4.8：将下一帧图像作为当前帧图像，并进入步骤S4.2；S4.9：输出动物群体中每个个体的轨迹；S5：对轨迹进行滑动平均滤波处理；所述步骤S5中，所述滑动平均滤波处理包括以下步骤：S5.1：提取动物群体中单个个体的原始轨迹；S5.2：根据目标动物的运动速度以及视频采样的频率来设置滑动平均滤波窗口长度N；S5.3：判断滑动窗口内轨迹是否存在缺失点，如果否，进入步骤S5.4，如果是，则进入步骤S5.5；S5.4：计算该滑动窗口内轨迹位置均值作为滤波结果，进入步骤S5.6；S5.5：将轨迹缺失点处的数值记为零，并将轨迹长度记为滑动平均滤波窗口长度N减去缺失点的个数，然后进入步骤S5.4；S5.6：判断轨迹滤波是否结束，如果没有结束，则进入步骤S5.7，如果结束，则进入步骤S5.8；S5.7：移动滑动窗口，使步长增加1，然后进入步骤S5.3；S5.8：输出动物群体中单个个体滤波后的追踪轨迹；S6：生成动物群体中单个个体的轨迹，生成标注有动物群体身份标识的追踪视频。

全文数据：

权利要求：

百度查询： 舟山诚创电子科技有限责任公司 一种动物群体轨迹追踪的方法及其系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD